source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-152.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 156652 objects.
Mean distance to the closest unit in the map: 0.057.
plot(model, type="changes")
df <- mpr.load_data("datos_semana_2k.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:156652 Length:156652 Min. : 1.00 Min. :-109.0
Class :character Class :character 1st Qu.:13.00 1st Qu.: 147.0
Mode :character Mode :character Median :27.00 Median : 201.0
Mean :26.53 Mean : 202.1
3rd Qu.:40.00 3rd Qu.: 262.0
Max. :53.00 Max. : 442.0
tmin precip nevada prof_nieve
Min. :-189.00 Min. : 0.00 Min. :0 Min. : 0.000
1st Qu.: 48.00 1st Qu.: 0.00 1st Qu.:0 1st Qu.: 0.000
Median : 98.00 Median : 3.00 Median :0 Median : 0.000
Mean : 98.13 Mean : 16.92 Mean :0 Mean : 0.604
3rd Qu.: 152.00 3rd Qu.: 20.00 3rd Qu.:0 3rd Qu.: 0.000
Max. : 272.00 Max. :690.00 Max. :0 Max. :1073.000
longitud latitud altitud
Min. :27.82 Min. :-17.889 Min. : 1.0
1st Qu.:39.01 1st Qu.: -4.850 1st Qu.: 44.0
Median :41.22 Median : -1.411 Median : 263.0
Mean :40.05 Mean : -2.426 Mean : 478.5
3rd Qu.:42.19 3rd Qu.: 1.272 3rd Qu.: 687.0
Max. :43.57 Max. : 4.216 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
55 96 106 90 98 77 46 58 109 74 49 63 37 51 71 69
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
48 79 94 59 82 76 56 62 93 94 77 76 44 50 25 39
33 34 35 36 37 38 40 41 42 43 44 46 48 49 50 51
30 70 66 75 94 50 58 46 63 77 66 84 64 81 53 58
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67
67 55 67 81 65 14 74 28 60 38 62 57 86 56 46 87
68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83
107 37 74 24 48 95 53 94 64 67 107 68 73 45 45 45
84 85 86 87 88 90 91 92 93 94 95 96 98 99 100 101
61 111 151 108 50 51 66 59 43 91 54 106 86 72 59 26
102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117
54 40 36 29 41 72 33 43 32 28 48 48 62 47 48 106
118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133
64 56 76 86 96 99 57 94 92 119 48 70 52 78 47 16
134 135 136 137 139 140 141 142 143 144 147 148 149 150 151 152
73 84 56 111 67 66 98 11 46 56 70 75 95 68 9 47
153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168
53 96 92 67 57 61 65 50 67 30 22 50 47 35 66 78
169 170 171 172 173 174 175 176 177 179 180 181 182 183 184 185
63 86 54 119 94 75 88 48 72 52 79 70 115 62 52 45
186 187 189 190 191 192 193 194 195 196 198 199 200 201 202 203
68 117 75 85 44 75 69 74 54 112 78 84 137 44 54 51
204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219
69 68 76 45 44 57 37 36 64 50 62 88 98 65 96 92
220 221 222 223 224 225 226 228 229 230 231 232 233 234 235 236
11 102 86 79 96 59 95 31 47 75 77 66 43 66 81 85
237 239 240 241 242 243 244 246 248 251 252 253 254 255 256 257
62 61 105 59 89 67 80 73 107 40 61 51 48 36 100 106
258 259 260 261 262 263 265 266 267 268 269 270 271 272 273 274
53 44 36 59 39 48 65 65 87 72 76 30 53 68 96 57
275 276 277 278 279 280 281 282 283 284 285 286 287 288 290 291
55 102 50 80 81 48 98 107 86 59 87 100 40 91 57 89
292 293 294 295 297 300 301 302 303 304 305 306 307 308 309 310
60 117 74 69 95 66 47 81 64 83 84 77 46 34 69 39
311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326
59 93 75 69 106 73 70 50 32 78 102 76 101 59 59 94
327 328 329 330 331 332 333 334 335 336 337 338 340 341 342 343
22 48 59 30 51 47 69 68 78 65 80 65 70 119 35 69
344 345 347 348 349 350 351 352 353 354 355 356 357 358 359 360
38 80 33 98 66 74 45 59 53 47 25 81 55 61 44 76
361 362 363 364 366 367 368 369 370 371 372 373 374 375 376 377
97 65 44 56 40 44 50 82 82 38 100 82 83 97 70 73
378 379 380 381 382 383 384 385 386 387 388 389 391 392 393 394
94 95 67 71 39 56 49 97 103 69 82 79 61 87 44 80
395 396 398 399 400 401 402 403 404 405 406 407 408 409 410 411
101 65 33 82 80 65 81 48 69 73 46 32 79 69 72 40
412 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428
42 44 44 58 60 49 59 61 67 59 99 79 89 128 105 61
429 430 431 432 433 434 435 436 437 438 439 441 442 443 444 445
96 32 101 62 96 68 74 64 76 103 67 38 93 43 41 62
446 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462
76 11 39 75 66 61 48 65 52 31 85 36 49 61 48 56
463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478
52 47 35 48 79 53 79 76 109 25 81 39 58 61 108 64
479 480 481 482 483 484 485 486 487 488 489 490 492 493 494 495
82 81 81 65 87 70 63 66 65 82 54 62 84 49 36 106
496 497 501 502 503 504 505 506 507 508 509 510 511 512 513 514
74 71 55 45 47 68 35 94 89 92 47 67 79 57 68 32
515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530
31 60 75 49 53 67 47 73 87 21 80 90 109 110 87 71
531 532 533 534 535 536 537 538 539 540 542 543 544 545 546 547
66 54 75 116 62 52 68 47 79 43 106 43 93 67 58 43
548 549 550 551 552 553 554 555 556 557 558 559 560 561 563 564
46 85 72 44 84 43 36 77 58 77 57 84 89 71 76 57
565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580
77 67 45 93 48 47 65 46 88 95 89 84 84 77 104 89
581 582 583 584 585 586 587 588 589 590 591 593 594 595 596 597
53 54 57 65 88 96 57 41 70 107 85 101 21 62 39 88
598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613
59 67 61 77 69 48 44 50 59 90 82 94 100 53 58 66
614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629
73 99 46 74 97 57 33 49 61 58 75 93 61 65 109 68
630 631 632 633 634 635 636 637 638 639 640 641 643 644 645 646
92 88 53 61 88 59 41 44 46 58 79 85 65 38 97 88
647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662
42 56 45 67 36 49 47 52 51 86 43 55 79 55 61 52
663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678
42 66 61 76 51 50 78 71 63 36 65 81 64 77 90 69
679 680 681 682 683 684 685 686 687 688 689 690 691 693 694 695
47 84 93 85 52 64 67 74 45 86 75 66 68 48 64 29
696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711
34 88 117 43 79 55 33 48 90 60 97 83 63 92 46 57
712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727
63 60 66 107 43 47 46 90 50 94 29 60 24 97 97 85
728 729 730 731 732 733 734 735 736 737 738 739 740 741 744 745
38 83 54 53 80 52 120 43 98 97 64 114 67 72 79 66
746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761
59 46 87 75 64 53 59 73 27 43 97 65 30 74 77 37
762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777
67 72 75 78 86 31 59 89 48 68 96 53 55 69 76 68
778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793
90 72 99 73 52 42 49 71 133 51 63 66 59 110 102 67
795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810
59 121 86 32 27 123 60 54 49 49 73 67 52 41 103 33
811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826
22 46 65 78 71 72 68 73 76 71 54 57 82 49 40 87
827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842
79 70 34 101 62 104 62 78 39 36 78 60 62 87 52 80
843 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861
54 89 67 46 75 76 60 39 41 56 30 58 44 37 55 32
862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877
62 88 50 78 69 36 56 56 84 36 60 69 52 40 46 76
878 879 880 881 882 883 884 885 886 887 888 889 890 892 893 894
66 96 105 97 99 78 61 86 50 44 75 59 48 42 48 65
895 896 898 899 900 901 902 903 904 905 906 907 908 909 910 911
52 67 68 89 28 68 65 40 37 44 47 38 87 73 45 35
912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927
60 45 57 73 82 48 51 57 101 83 31 98 81 52 58 132
928 929 930 931 932 933 934 935 936 937 938 940 941 942 943 944
68 72 38 115 87 80 58 76 122 82 70 56 50 50 43 49
945 946 951 952 953 954 955 956 957 958 959 960 961 962 963 964
70 77 90 75 46 73 70 55 66 67 43 62 49 71 57 70
965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980
74 100 62 50 47 57 61 42 44 50 67 46 65 101 78 87
981 982 983 984 985 986 987 988 990 991 992 993 994 995 996 997
31 33 55 94 56 36 55 45 74 43 57 52 53 50 93 62
998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013
68 51 88 58 91 33 32 57 51 55 49 54 64 66 56 51
1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029
52 76 85 36 36 57 112 43 56 63 59 58 55 73 56 60
1030 1031 1032 1033 1034 1035 1036 1037 1039 1040 1041 1042 1043 1044 1045 1046
77 87 42 69 79 65 66 67 78 102 61 55 46 61 72 77
1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062
71 46 60 79 72 44 75 34 67 42 56 52 37 31 60 54
1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078
55 43 40 57 62 50 61 58 100 77 67 42 75 72 33 47
1079 1080 1081 1082 1083 1084 1085 1086 1087 1089 1090 1091 1092 1093 1094 1095
97 80 56 110 89 84 102 82 64 65 102 40 84 45 52 45
1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111
68 67 79 64 70 66 89 66 76 41 46 51 49 56 61 82
1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127
35 56 54 86 55 56 64 52 61 119 43 64 53 86 48 57
1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143
90 66 67 51 84 95 123 53 46 49 55 90 68 81 58 49
1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160
52 93 66 60 75 69 81 76 41 64 49 55 66 65 69 70
1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176
81 94 42 66 28 55 67 66 79 49 68 102 74 64 54 69
1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192
82 44 56 75 59 69 54 94 76 70 40 36 93 113 50 109
1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208
75 72 71 92 96 54 69 80 41 104 47 60 63 61 43 69
1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224
59 50 103 72 52 44 59 65 79 106 74 80 41 95 62 49
1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240
48 93 83 45 38 81 67 69 64 74 59 57 79 68 101 100
1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256
98 101 55 55 47 76 79 53 66 62 43 49 31 31 50 51
1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1270 1271 1272 1273
44 56 68 46 73 65 73 45 48 74 79 64 32 43 55 104
1274 1275 1276 1277 1278 1279 1281 1282 1283 1284 1285 1287 1288 1289 1290 1291
69 41 37 85 63 78 28 66 86 35 68 76 63 65 102 83
1292 1293 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308
35 70 39 80 77 34 61 66 31 84 51 66 60 80 61 64
1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324
41 77 52 48 59 43 43 46 81 98 51 55 55 63 49 67
1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340
89 59 73 33 42 45 122 63 47 82 106 90 105 49 77 64
1341 1342 1343 1345 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358
54 53 55 50 61 54 49 73 98 64 88 80 81 80 64 81
1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374
65 68 60 54 93 84 55 59 35 65 71 31 59 53 109 59
1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390
35 78 70 51 47 84 82 38 38 45 57 43 47 37 55 49
1391 1392 1393 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407
58 68 62 68 53 31 37 59 69 67 77 82 94 83 90 57
1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1421 1422 1423 1424
55 73 59 67 48 59 91 70 76 59 67 80 66 58 83 61
1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440
68 48 94 37 66 71 86 62 50 55 29 35 60 84 67 51
1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458
59 53 39 77 84 88 50 52 79 96 95 57 51 104 134 42
1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474
47 42 74 88 99 87 86 49 34 30 86 91 40 47 100 58
1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490
59 52 60 64 37 91 107 57 40 52 23 28 41 58 96 63
1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506
51 74 96 91 73 101 56 59 54 70 69 66 64 69 84 70
1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522
36 38 39 72 77 72 38 50 68 62 60 56 67 81 48 81
1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538
91 54 55 63 71 69 62 117 57 57 24 34 38 52 130 109
1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554
77 42 52 53 80 81 56 70 78 85 94 72 51 82 75 60
1555 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570
73 78 56 81 28 33 69 74 78 52 53 42 17 51 80 69
1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586
95 75 57 92 65 62 63 37 21 66 32 40 22 40 33 54
1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602
75 115 97 52 67 82 65 64 63 37 97 88 46 42 28 63
1603 1604 1605 1606 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618
64 89 73 69 76 71 53 48 57 69 54 35 33 49 73 61
1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634
56 22 95 109 61 81 60 69 68 50 80 61 28 50 50 90
1635 1636 1637 1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650
97 114 95 85 57 53 47 96 49 62 77 74 71 61 45 70
1651 1652 1653 1654 1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666
12 110 89 38 70 92 95 55 85 58 42 74 55 56 60 48
1667 1668 1669 1670 1671 1672 1673 1674 1675 1676 1678 1679 1680 1681 1682 1683
89 72 66 66 58 112 60 67 44 42 95 67 39 79 24 74
1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699
58 53 64 58 56 79 72 59 85 63 82 92 93 80 93 68
1700 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714 1715
95 73 70 67 79 35 38 81 77 50 47 34 58 65 43 50
1716 1717 1718 1719 1720 1721 1722 1723 1724 1725 1727 1728 1729 1730 1732 1733
71 63 96 35 75 63 36 64 34 53 78 51 47 41 85 118
1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749
94 53 90 77 98 55 35 58 42 86 95 89 115 114 73 50
1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765
97 65 56 85 82 42 41 52 41 80 54 99 55 72 37 72
1766 1767 1768 1769 1770 1771 1772 1773 1774 1776 1777 1778 1779 1780 1781 1782
50 60 84 50 44 88 101 93 36 104 100 37 43 62 44 81
1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798
97 76 75 76 71 60 53 60 53 54 49 49 83 74 95 71
1799 1800 1801 1802 1803 1804 1805 1806 1807 1808 1809 1810 1811 1812 1813 1814
50 78 44 88 77 51 38 57 69 57 43 47 72 74 46 47
1815 1816 1817 1818 1819 1820 1821 1822 1823 1825 1826 1827 1828 1829 1830 1831
90 39 75 32 36 54 53 52 41 106 100 38 50 40 31 85
1832 1833 1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847
79 80 84 72 63 34 61 37 97 43 73 82 76 70 61 55
1848 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859 1860 1861 1862 1863 1864
50 49 79 91 58 80 67 46 66 55 47 52 53 65 68 49
1865 1866 1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1880 1881
53 66 44 44 75 82 67 63 37 22 63 44 66 89 55 59
1882 1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1894 1895 1896 1897 1898
105 51 74 37 77 40 47 21 69 90 46 50 101 60 89 30
1899 1900 1901 1902 1903 1904 1905 1908 1909 1910 1911 1912 1913 1914 1915 1916
76 12 80 50 35 63 50 53 96 52 43 59 84 78 29 37
1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1933
50 68 61 61 104 73 60 71 27 63 46 50 32 45 49 44
1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949
58 47 55 29 64 57 82 107 87 79 70 42 93 47 88 74
1950 1951 1952 1953 1954 1955 1956 1957 1959 1960 1961 1962 1963 1964 1965 1966
49 102 88 49 58 65 74 111 37 62 51 43 66 78 63 37
1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1980 1981 1982 1983
27 53 68 86 48 82 60 29 40 43 49 47 55 81 65 56
1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
59 51 68 68 76 72 72 63 105 114 100 80 68 79 41 83
2000 2001 2002 2003 2004 2005 2006 2008 2009 2010 2011 2012 2013 2014 2015 2016
94 49 60 65 72 68 70 46 43 51 53 28 32 42 62 39
2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2029 2030 2031 2032 2033
66 64 29 68 54 59 55 44 51 53 40 34 60 65 67 66
2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046 2047 2048 2049
48 61 50 43 35 42 95 80 53 51 75 86 101 89 60 55
2050 2051 2052 2053 2054 2055 2056 2058 2059 2060 2061 2062 2063 2064 2065 2066
41 96 52 56 39 86 62 50 112 96 40 76 37 76 84 74
2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080 2081 2082
33 71 64 90 72 60 24 67 56 67 69 69 35 74 44 77
2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096 2097 2098
74 88 38 96 42 69 104 126 73 83 64 59 69 80 100 77
2099 2100 2101 2102 2103 2104 2105 2107 2108 2109 2110 2111 2112 2113 2114 2115
64 47 33 52 55 41 81 90 57 102 119 39 56 49 59 64
2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131
80 48 42 78 60 45 41 70 61 69 46 92 63 76 50 87
2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146 2147
39 57 87 75 59 67 45 110 65 59 61 55 66 72 41 59
2148 2149 2150 2151 2153 2154 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165
78 62 41 84 49 73 43 40 108 112 83 96 41 32 54 46
2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181
88 61 55 61 46 40 82 101 79 72 79 35 51 87 89 79
2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197
53 22 61 73 79 88 58 48 69 63 43 48 24 62 78 88
2198 2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213
88 72 78 65 28 69 42 36 13 89 106 113 109 88 35 42
2214 2215 2216 2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229
46 77 45 37 63 39 30 16 52 69 53 70 73 51 85 81
2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245
55 26 73 31 70 69 101 45 70 81 48 51 85 69 61 68
2246 2247 2248 2249 2250 2251 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262
58 78 66 51 49 98 64 50 35 63 88 66 63 57 109 79
2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278
37 51 51 25 44 37 39 16 26 20 20 44 91 81 80 32
2279 2280 2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294
79 73 64 57 48 52 85 63 57 54 69 29 79 81 79 86
2295 2296 2297 2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310
53 81 60 49 26 57 46 119 94 41 102 84 88 69 91 63
2311 2312 2313 2314 2315 2316 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328
68 54 56 45 50 35 49 46 31 34 34 27 46 82 12 52
2329 2330 2331 2332 2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344
60 80 60 66 73 80 45 51 57 61 83 71 88 51 65 51
2345 2346 2347 2348 2349 2350 2351 2352 2353 2354 2355 2356 2357 2358 2359 2360
101 67 75 99 107 59 105 161 86 45 47 108 130 46 37 51
2361 2362 2363 2364 2365 2366 2368 2370 2371 2372 2373 2374 2375 2376 2377 2378
87 88 66 129 26 17 51 78 60 45 58 70 87 71 69 59
2379 2380 2381 2382 2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394
58 54 82 50 80 73 80 49 32 32 70 56 52 84 71 41
2395 2396 2397 2398 2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410
100 73 84 71 48 77 59 113 97 80 109 88 73 67 49 57
2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421 2422 2423 2424 2425 2426
67 65 66 81 67 70 49 69 44 52 80 77 116 114 42 47
2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437 2438 2439 2440 2441 2442
58 36 66 55 84 64 46 58 84 104 54 50 92 90 74 100
2443 2444 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456 2457 2458
106 66 109 59 59 78 83 75 33 90 115 69 111 66 69 84
2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2470 2471 2472 2473 2474 2475
72 70 79 42 82 57 81 50 40 75 35 81 62 92 71 59
2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488 2489 2490 2491
29 30 47 70 77 61 52 63 47 68 59 55 54 91 74 63
2492 2493 2494 2495 2496 2497 2498 2499 2500
68 49 70 105 70 99 70 41 53
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2409 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)